文章核心內容、創新點總結及關鍵部分翻譯一、文章主要內容總結本文針對移動應用商店人工審核流程繁瑣、現有自動化工具靈活性差且難以處理多源異構數據等問題，提出了基于大型語言模型（LLMs）的移動應用風險分析系統Mars，旨在實現可擴展、可解釋的自動化風險識別與分析。1. 研究背景與問題移動應用商店每日接收大量應用提交，其中部分存在廣告彈窗、惡意軟件、應用變形等安全風險，但當前審核依賴人工與半自動化工具，存在效率低、成本高、易出錯的問題。現有自動化工具多針對單一風險類型，數據來源單一，難以處理高維異構數據；直接應用LLMs則面臨上下文窗口限制（無法處理多源數據）與幻覺問題（輸出不實信息，導致誤判）。2. Mars系統設計Mars采用“離線知識準備+在線實時分析”兩階段流程：離線階段：構建風險識別樹（Risk Identification Tree），整合兩類關鍵信息——基于歷史下架應用數據的“數據驅動信號”（如同類風險應用的共性模式）和領域專家提煉的“知識驅動規則”（如異常分發行為）。該樹為層級結構，根節點對應風險類別（如廣告彈窗），葉節點為風險相關特征，可過濾無關數據，降低LLM輸入維度。在線階段：新應用提交后，先通過風險識別樹篩選無關特征，再將提取的關鍵指標輸入LLM進行風險判定；